基于半监督学习的XLPE电缆局部放电模式识别研究.pdf

第３９卷第１４期２０１１年７月１６日电力系统保护与控制ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌＶＯｌ＿３９ＮＯ．１４Ｊｕｌｙ１６，２０１１基于半监督学习的ＸＬＰＥ电缆局部放电模式识别研究姚林朋，王辉，钱勇，黄成军，郑文栋，江秀臣（上海交通大学电气工程系，上海２００２４０）摘要：在交联聚乙烯（ＸＬＰＥ）电力电缆的局部放电模式识别的研究中，为解决标注样本数量过少而导致识别率低下的问题，引入基于半监督学习的方法进行电缆局部放电模式识别研究。制作了ＸＬＰＥ电缆的四类典型绝缘缺陷，从局部放电信号中提取２Ｏ种统计特征参数，对基于半监督学习的一致性模型方法与基于有监督学习的Ｊ４８，七近邻，ＢＰ神经网络等方法进行了对比，并采用主成分分析进行优化。研究结果表明半监督学习能充分利用已标注样本的特征信息和未标注样本的分布信息，增强分类器的性能，提高局部放电模式识别的准确率。而通过主成分分析的方法能降低样本特征维数，有效提高半监督学习算法速度。关键词：ＸＬＰＥ电缆；局部放电；半监督学习；模式识别；主成分分析ＰａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｉｎＸＬＰＥｃａｂｌｅｂａｓｅｄｏｎｓｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ———ＹＡＯＬｉｎｐｅｎｇ，ＷＡＮＧＨｕｉ，ＱＩＡＮＹｏｎｇ，ＨＵＡＮＧＣｈｅｎｇ￣ｕｎ，ＺＨＥＮＧＷｅｎｄｏｎｇ，ＪＩＡＮＧＸｉｕｃｈｅｎ（ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＳｈａｎｇｈａｉＪｉａｏＴｏｎｇＵｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ２００２４０，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｒｅｓｅａｒｃｈｏｆｐａｔｔｅｍｒｅｃｏｇｎｉｔｉｏｎｏｎｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ（ＰＤ）ｉｎＸＬＰＥｃａｂｌｅ，ｉｎｓｕｆｆｉｃｉｅｎｔｌａｂｅｌｌｅｄｄａｔａｍａｙｌｅａｄｔｏｌｏｗｒｅｃｏｇｎｉｔｉｏｎｒａｔｅ．Ｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｃｏｎｓｉｓｔｅｎｃｙｍｏｄｅｌ（ＣＭ）ｂａｓｅｄｏｎｓｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ（ＳＳＬ）ｔｈｅｏｒｙｉｓｉｎｔｒｏｄｕｃｅｄ．ＴｗｅｎｔｙｔｙｐｅｓｏｆｓｔａｔｉｓｔｉｃａｌｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｒｅｅｘｔｒａｃｔｅｄｆｒｏｍＰＤｐｕｌｓｅｓｅｑｕｅｎｃｅｆｒｏｍｆｏｕｒｔｙｐｉｃａｌｍｏｄｅｌｓｏｆｉｎｓｕｌａｔｉｏｎｄｅｆｅｃｔｓｉｎａＸＬＰＥｐｏｗｅｒｃａｂｌｅ．ＡｃｏｍｐａｒｉｓｏｎｂｅｔｗｅｅｎＣＭｂａｓｅｄｏｎＳＳＬａｎｄｓｕｐｅｒｖｉｓｅｄｍｅｔｈｏｄｓ（Ｊ４８，ｋＮｅａｒｅｓｔＮｅｉｇｈｂｏｒａｎｄＢＰＮｅｕｒａｌＮｅｔｗｏｒｋ）ｉｓｃｏｎｄｕｃｔｅｄ，ａｎｄＣＭｉｓｏｐｔｉｍｉｚｅｄｕｓｉｎｇｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ．ＴｈｅｃｏｍｐａｒｉｓｏｎｒｅｓｕｌｔｓｈｏｗｓｔｈａｔＣＭｍｅｔｈｏｄｔａｋｅｓｆｕｌｌａｄｖａｎｔａｇｅｏｆｂｏｔｈｄｉｖｅｒｓｉｆｉｅｄｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｍａｎｕａｌｌｙ１ａｂｅｌｌｅｄｄａｔａａｎｄｄｉｓｔｒｉｂｕｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｆｒｏｍｕｎｌａｂｅｌｌｅｄｄａｔａｔｏｅｎｈａｎｃｅｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｃｌａｓｓｉｆｉｅｒａｎｄｉｍｐｒｏｖｅｔｈｅｒｅｃｏｇｎｉｔｉｏｎｒａｔｅｅｆｆｉｃｉｅｎｔｌｙ．ＰｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｍｅｔｈｏｄＣａｎｒｅｄｕｃｅｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｄｉｍｅｎｓｉｏｎｏｆｓａｍｐｌｅｓａｎｄｓｐｅｅｄｕｐｔｈｅａｌｇｏｒｉｔｈｍｏｆｓｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ．Ｋｅｙｗｏｒｄｓ－ＸＬＰＥｃａｂｌｅ；ｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ；ｓｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ；ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ；ｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓ中图分类号：ＴＭ８３５文献标识码：Ａ——文章编号：１６７４－３４１５（２０１１）１４００４００７０引言近年来，交联聚乙烯（ＸＬＰＥ）电力电缆在城市电网的输电线路和配电网中得到广泛应用，其可靠运行对电网稳定起着至关重要的作用。除人为因素外，大部分电缆事故由电缆绝缘问题引起，而对局部放电（以下简称局放）进行检测是评估ＸＬＰＥ电缆绝缘状况的有效方法［１－４１。电缆的绝缘结构和运行环境复杂，不同的绝缘缺陷和放电类型对绝缘的破坏作用有很大差异，因此对局放信号进行有效识别对及时发现电缆故障隐患，判断故障类型，预测电缆运行寿命，保障电缆可靠运行有着重要意义Ｌ５Ｊ。目前，针对ＸＬＰＥ电缆的局放模式识别主要有多层感知器网络［８］、ＢＰ神经网络【９】、自适应模糊神…经网络【ｌ、决策树ｌＪｌＪ等方法。这些方法大多基于有监督学习，即通过人工标注后的样本训练分类器而对未标注的样本做出判别。然而有监督学习的方法仅仅能够针对已标注的样本进行学习而忽视了未标注样本的价值，因此在未标注样本数量远大于己标注样本的情况下，通过有监督学习的方法建立的分类器往往泛化能力不足，识别率较低。随着数据采集和存储技术的不断发展，检测设备能够快速获取大量的电缆局放数据，但仅靠人工识别的方式对这些样本进行标注的能力比较有限，无法从大量的局放样本中标注出足够的局放样本用于有监督学习的识别器训练，这是导致现场局放诊断识别率低下的重要原因。与有监督学习相比，半监督学习能够利用大量的未标注样本来优化由有限的标注样本训练姚林朋，等基于半监督学习的ＸＬＰＥ电缆局部放电模式识别研究．４１．的识别器，既减少了人为工作量及人工标注所带来的误差，又能提高识别器的精确性。由此，本文提出了基于半监督学习的模式识别方法，研究在小训练样本集的情况下如何提高局放分类器性能的问题。１半监督学习基本理论半监督学习是研究如何在训练样本的部分信息缺失（样本类别标注缺失，样本部分特征维缺失，样本含噪声等）情况下获得具有良好性能和泛化能力的学习机器［１２］。其理论基于条件概率密度和边缘概率密度存在着密切联系的假设，是一种能利用少量标注数据训练初始分类器，进而用大量未标注数据来优化初始分类器以最终到精确学习的训练方法。目前，半监督学习方法大致可分为基于生成式模型算法，基于低密度划分算法，基于图和流形算法及协同算法【ｌ３】等几方面，这些方法已经在文本分类、图像内容检索、图像视频标记中得到广泛应用［１４】。．本文中所采用的半监督算法为基于图的一致性模型方法（ＣｏｎｓｉｓｔｅｎｃｙＭｏｄｅｌ，ＣＭ）【ｌ５－】。在该模型中，样本集合被映射到一张无向有权连接图。图中的节点为所有已标注和未标注的数据样本集合，边的权值体现了相邻节点间的相似程度。所构建的图模型中只有少数节点是已标注的，大部分节点都是未标注的。已标注节点可以通过连接边向其邻节点扩展，将其类别信息传播至未标注节点，以达到分类的目的。其算法简要描述如下：……针对样本集Ｘ＝｛ｘ１，，ｘｚ＋ｌ，＋），其中∈…前，个为已标注样本，标注为Ｙｌ｛１，，ｃ｝，后Ｕ个…为未标注样本。定义ｎｘｃ矩阵Ｆ＝ｌ，，ｒ。∈…（ｆ１，，ｎ）为ｘｉ的标签向量，标注ｘｉ为Ｙｉ＝ａｒｇｍａｘ／＜ｃ。定义初始矩阵ｎｘｃ矩阵Ｉ，，使得＝托一。迭代求解的步骤如下：（１）构造无向带权图Ｇ＝（，Ｅ），其中为样本集合，Ｅ为图Ｇ的边集合；（２）构造相似矩阵，使得一ＪｅＸｐ（＿Ｘｉ一２）ｉ＊ｊｎ一Ｉｏ为径向基函数矩阵，式中范数可以取欧式距离或余弦距离；（３）计算矩阵￡使得Ｌ＝Ｄ－１／２ＫＤ，其．１．．＋—ｕ．中Ｄ为对角阵，且Ｄ的对角线元素＝＞；＝ｌ（４）迭代求解（＋１）＝砚Ｆ（ｆ）＋（１一）Ｙ直至收敛，其中参数（０＜＜１）代表着从相邻节点获得的类别信息量，ｆ为当前迭代步数。迭代初始时，，（Ｏ）＝Ｙ；≠（５）当＞（ｋＪ）时，标注每一个为ｙｉｊ。２电缆缺陷模型及特征提取ＸＬＰＥ电缆局部放电的研究表明，发生在电缆的放电大致可以分为沿面放电、悬浮电极放电、内部气隙放电、外部电晕放电四种类型。针对这四种放电类型，选取一根长度３０ｍ，额定电压１０ｋＶ的三芯ＸＬＰＥ电力电缆作为研究对象，在电缆终端头分别制作沿面滑闪模型，悬浮电极模型、内部气隙模型、外部针尖电晕模型共四类缺陷模型。每类缺陷各制作三种规格进行试验。具体制作过程如下：（１）沿面滑闪放电模型制作电缆头时，从中心导体引出细长铜丝，固定在主绝缘和硅橡胶的结合面模拟滑闪通道。铜丝的长度分别为３０ｍｍ、４０ｍｍ、５０ｍｍ，直径均为０．５ｍｍ。（２）悬浮电极放电模型在电缆附件的ＸＬＰＥ绝缘与饶增绝缘之间固定圆铜片以产生悬浮电极放电。圆铜片的直径分别为１２ｍｍ、１４ｍｍ、１６ｍｍ，厚度均为为Ｏ．５ｍｌｒｌ。（３）内部气隙放电模型剥开电缆的金属屏蔽层和外半导体层，用尖端曲率半径为０．１ｉｎｍ的钢针扎入电缆绝缘，扎入深度分别为２ｍｒｎ、２．５ｍｍ、３ｍｌｎ。（４）外部电晕放电模型在电缆终端头外接的高压导体上悬挂长１０ｍｍ，曲率半径分别为０．０５ｍｍ、０．１ｍｍ、０．１５ｍｍ的钢针，模拟空气中的外部电晕放电。所制作的四种缺陷模型的示意图如图１所示。依据ＩＥＣ６０２７０标准，采用脉冲电流检测方法采集局放信号，依照图２所示的系统结构搭建试验平台进行试验并采集数据。将连续５０个工频周期的采集到的局放信号叠加后以取得一ｑ一三维图．４２．电力系统保护与控制谱。将工频相位按照０。～３６０。等间隔分为６０个区间，放电量ｑ按照０～１０００ｐＣ等间隔分为２００个区间。统计ｔｐ－ｑ平面各网格区间内的放电次数—ｎ，即可得到一ｇｎ三维图谱。四种缺陷模型试验所获取的典型局放三维图谱如图３所示。（１）终端套管（２）应力锥（３）铜屏蔽（４）外半导体（５）ＸＬＰＥ绝缘（６）导体图１电缆终端缺陷示意图Ｆｉｇ．１ＡｒｔｉｆｉｃｉａｌｄｅｆｅｃｔｓｉｎＸＬＰＥｃａｂｌｅｔｅｒｍｉｎａｌ（１）（２】（３）（４１（５）ｆ６１由三维图谱可以导出最大放电量相位分布，平均放电量相位分布，放电次数相位分布，放电量次数分布四种二维图谱。从这四种图谱中提取的特征参数为正负半周的三阶统计量偏斜度、一，四阶统计量突出度Ｋｕ、Ｋｕ一，正负半周之间的相关度ＣＣ和不对称度ｐ。各分布提取的特征参数如表１所示，共计２０种特征参数。表１局部放电特征阐述Ｔａｂ．１Ｃｈａｒａｃｔｅｒｉｓｔｉｃｐａｒａｍｅｔｅｒｓｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ缆３基于ＣＭ算法的半监督模式识别图２电缆局放试验系统结构示意图Ｆｉｇ．２ＳｃｈｅｍａｔｉｃｄｉａｇｒａｍｏｆｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｐｌａｔｆｏｒｍｆｏｒＰＤｔｅｓｔ—一１＼／＾＾●Ｊ．．Ｉ’ｌ８０１－＿５０Ｏ‘西／ｒ０、１．（）Ｏｈ（ａ）沿面滑闪放电。５ｏ￣￣￣ｏｉ！ｉ（ｃ）内部气隙放电（ｄ）外部电晕放电—图３局放ｔｐ－ｑｎ三维图谱—Ｆｉｇ．３一ｑｎｄｉａｇｒａｍｓｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ３．１样本选取试验中取得的总样本集合为以上四大类缺陷，每类三种规格，共计ｌ２种模型。从每种模型中提取５００个样本，共计６０００条样本。３．２参数优化如果将Ｇ构造为全连通图，则需计算每两个节点间的权值，将耗费大量的计算时间和存储空间，且会影响到后续的求解矩阵计算。因此在解决实际问题时，可通过构造ｋ近邻图的方法解决，即只有两个节点间互为ｋ近邻时才构造该两点间的边。其中ｋ为可调参数，用于调节图中边的密度。ｋ值过大会使得图的规模急剧增加而降低运算性能，而ｋ值过小可能导致图中存在孤立节点，因此在构造图Ｇ时应采用试验的方法获取满足图中无孤立节点的最小值ｋ。试验中ｋ取值从２０至６０，从运行时间对比（表２）来看，ｋ取４０时，图Ｇ为连通图，且图的规模最小（非零节点数最少），生成的时间也最短。表２Ｎ算法对图Ｇ优化Ｔａｂ．２ＯｐｔｉｍｉｚａｔｉｏｎｏｆｔｈｅｇｒａｐｈｂｙｋＮＮａｌｇｏｒｉｔｈｍ姚林朋，等基于半监督学习的ＸＬＰＥ电缆局部放电模式识别研究３．３识别算法对比实验为验证ＣＭ方法的性能，本文将电缆局放模式识别中常用的决策树（Ｊ４８）、ＢＰ神经网络（Ｂ孙ＩＮ）、ｋ近邻（）三种方法与之进行比对实验。３．３．１小训练样本实验对比从样本总体中随机选取小容量的训练样本（占总样本集合中２％、５％、１０％、２０％、３０％，乘０余样本为测试集合，在２％时每种模型样本仅有１Ｏ条），分别采用以上四种分类器进行独立实验。为保证训练样本选取的随机性，进行了１０次独立重复试验计算识别率均值。从实验结果（图４）可以看出，当训练样本占总样本数量的２％时，ＣＭ方法识别率为８５．２％，而其他方法的识别率均不高于８０％。当训练样本占总样本数量的５％时，ＣＭ方法的识别率为８９．５％，也高于其他算法（ＢＰＮＮ：８３．７％，Ｊ４８：８２．１％，ｋＮＮ：７７．７％）。当训练样本所占比重逐渐增加到总样本的３０％时，ＣＭ方法一直保持着比其他三种方法更高的识别率。由此可见，基于半监督学习的ＣＭ方法在小训练样本集合的条件下，能够利用未标注样本的信息优化分类器，获得比其他分类器更高的精确性。３－３．２１Ｏ折交叉检验测试对比为测试ＣＭ方法的泛化能力，采取１０折交叉验证的方法对分类器总体性能做出评估，以保证分类器模型准确性而不至于出现过拟合的现象。将全部样本随机等分成１０组，按次序选取其中１组作为测试集合，剩余９组作为训练集合（训练样本比重占全部样本的９０％），共进行１０次试验后计算平均识别率。ｌ０折交叉验证的结果表明（图５），ＣＭ方法的识别率（９５．７％）要高于其他方法（Ｊ４８：９５．５％，ＢＰＮＮ：９３．３％，后ＮＮ：９０．１％），且与小训练样本实验条件下的识别率接近，表明ＣＭ方法对局放特征样本具有良好的稳定性和泛化能力。２５１０２０３０训练样本占总样本百分比／％图４、Ｊ４８、ＢＰＮＮ、ｋＮＮ方法识别率结果Ｆｉｇ．４ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＣＭ，Ｊ４８，ＢＰＮＮａｎｄｋＮＮａｌｇｏｒｉｔｈｍｓ１Ｏ０９５＼篓９０８５８ＯＣＭＪ４８ＢＰＮＮＮＮ图５ＣＭ、Ｊ４８、ＢＰＮＮ、／ｄ￣ｌＮ方法交叉检验识别率结果Ｆｉｇ．５ＣｒｏｓｓｖａｌｉｄａｔｉｏｎｒｅｓｕｌｔｏｆＣＭ，Ｊ４８，ＢＰＮＮａｎｄｋＮＮａｌｇｏｒｉｔｈｍｓ３－３３算法速度对比算法速度是评价模式识别算法优劣的一个重要指标，比较各算法运行时间（图６，运行时间为１０次运行取平均时间）可以看出，ＣＭ方法与其他三种方法不同，其运行时间随训练样本数的增加而减少。这主要是由于ＣＭ方法主要靠标注节点信息向未标注节点传递来达到识别的目的，其算法时间与未标注节点数成正相关而标注节点数成负相关，因此标注节点数越多，未标注节点数越少则算法速度越快。但在训练样本数较少时，运行时间明显高于其他三种算法。为提高ＣＭ方法的运行速度，笔者采用基于主成分分析（ＰｃＡ）降维的方法对其进行优化。５１０２０３０训练样本占总样本百分比／％图６ｃｌｌ、Ｊ４８、ＢＰＮＮ、ｋＮＮ方法运行时间对比Ｆｉｇ．６ＰｒｏｃｅｓｓｉｎｇｔｉｍｅｒｅｓｕｌｔｏｆＣＭ，Ｊ４８，ＢＰＮＮａｎｄｋＮＮａｌｇｏｒｉｔｈｍｓ４基于ＰＣＡ降维的ＣＭ方法优化模式识别中往往会遇到样本特征维数过高而导致计算量过大的问题，可选用适当的降维方法可以＼斛幕电力系统保护与控制消除样本间的冗余，简化样本规模，提高计算效率。通常的降维方法主要有主成分分析（Ｐｒｉｎｃｉｐａｌ…ＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＰＣＡ）Ｊ，独立成分分析（ＩｎｄｅｐｅｎｄｅｎｔＣｏｍｐｏｎｅｎｔＡｎａｌｙｓｉｓ，ＩＣＡ）［１８］等。ＰＣＡ方法主要利用样本间的二阶统计特性，适用于高斯分布的数据样本。有实验表明，局放的统计特征参数符合正态分布【１，因此能够采用ＰＣＡ方法对样本特征空间进行降维处理。ＰＣＡ方法是在数据的最小重建误差准则下寻找一组正交的变换基构成变换矩阵，通过保留数据分布方差较大的若干分量来达到数据降维的目的。即将原有的Ｐ个相关向量通过线性变换转变为Ｐ个不相关的向量ｌ，，】｝，称为的Ｐ个主成分。该线性变换将求解Ｘ的协方差矩阵的Ｐ个有序≥…特征根（丑），为相对应主成分的方差贡献。选取累积方差贡献率超过某一设定值的前ｎ（ｎＰ）个主成分组成样本集，即可达到对特征降维的目的。将全部样本通过ＰＣＡ处理后，计算累积贡献率分别为９９％（特征降低至１０维），９５％（５维）及９０％（４维）后的特征向量。采用ＣＭ方法对降维后的样本进行模式识别，小训练样本集（图７）和１０折交叉检验测试结果（图８）均表明，当累积贡献率在９０％时，识别性能均有明显下降，而当累积贡献率在９５％和９９％时，ＣＭ方法的识别率虽有所降低但仍保持较高水平，而此时维数分别降至５维和９维，与原２０维相比已经大大缩减了样本维数。为衡量ＰＣＡ方法的效果，定义加速比通过对比四种方法的训练速度可以看出，ＣＭ方法的训练速度有了显著提高，比ＢＰＮＮ方法更快且与Ｊ４８和方法有可比性。因此采用ＰＣＡ方法对样本集进行预处理的方法能在不明显影响识别结果的前提下显著提高训练速度。定义加速比为：训练样本占总样本百分比／％图７ＰＣＡ处理后识别结果Ｆｉｇ．７ＣｌａｓｓｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｏｆＰＣＡｐｒｅｐｒｏｃｅｓｓｅｄｄａｔａ燃比较ＰＣＡ后各算法运行时间（图９）和加速比（图ｌＯ）可以看出，ＰＣＡ对ＣＭ方法的速度优化明显优于其他三种方法，能够有效地提高该方法速度。１Ｏ０９５婪９０８５８０原样本ＰＣＡ（９９％）ＰＣＡ（９５％）ＰＣＡ（９０％）图８ＰＣＡ降维后交叉检验的识别率对比Ｆｉｇ．８ＣｒｏｓｓｖａｌｉｄａｔｉｏｎｒｅｓｕｌｔｏｆＰＣＡｐｒｅｐｒｏｃｅｓｓｅｄｄａｔａ训练样本占总样本百分比／％图９ＰＣＡ降维后，ＣＭ、Ｊ４８、ＢＰＮＮ、ＡＮＮ算法运行时间对比Ｆｉｇ．９ＰｒｏｃｅｓｓｉｎｇｔｉｍｅｒｅｓｕｌｔｏｆＣＭ，Ｊ４８，ＢＰＮＮａｎｄｋＮＮａｌｇｏｒｉｔｈｍｓｗｉｔｈＰＣＡｐｒｏｃｅｓｓｅｄｄａｔａ１Ｏ２０３０加速比图１０ＣＭ、Ｊ４８、ＢＰＮＮ和ＡＮＮ算法加速比对比Ｆｉｇ．１０Ｓｐｅｅｄ－ｕｐｒａｔｉｏｒｅｓｕｌｔｏｆＣＭ，Ｊ４８，ＢＰＮＮａｎｄｋＮＮａｌｇｏｒｉｔｈｍｓＯ８６４∞、匡督至ｆ姚林朋，等基于半监督学习的ＸＬＰＥ电缆局部放电模式识别研究．４５．５现场检测应用对上海地区某变电站内电缆采用高频电流耦合法进行局放检测时，发现一根３５ｋＶ电缆终端附近存在明显的放电信号，其放电的典型一ｇ一，ｚ图谱如图１１所示。对该放电信号采用前述的ＣＭ方法进行识别，结果显示为沿面滑闪放电。２００—图１１现场测试样本的典型一ｇｎ图谱—Ｆｉｇ．１１Ｔｙｐｉｃａｌ一ｑｎｄｉａｇｒａｍｆｒｏｍａ３５ｋＶＸＬＰＥｃａｂｌｅｔｅｒｍｉｎａｌ对该电缆终端解体后发现电缆线鼻连接处铜质腐蚀严重，产生大量铜绿碎屑掉落粘在电缆外表皮上构成滑闪通道从而引起了沿面放电（图１２）。由此可见，ＣＭ方法识别的结果与电缆实际解体的情况是一致的，验证了ＣＭ方法的有效性。图１２电缆终端沿面滑闪放电痕迹Ｆｉｇ．１２Ｓｕｒｆａｃｅｄｉｓｃｈａｒｇｅｔｒａｃｋｉｎｇｏｎｔｈｅｃａｂｌｅｔｅｒｍｉｎａｌ６结论（１）针对ＸＬＰＥ电缆局放数据，提取基于三维图谱的统计特征，通过半监督方法分类器进行模式识别。实验结果表明，半监督分类器在小训练样本集的条件下，比其他分类器能够有效地提高识别率。而在１Ｏ折交叉检验时的结果表明半监督方法具有较好的稳定性和泛化能力。（２）针对半监督方法运行速度慢的缺点，本文采用ＰＣＡ的方法对特征样本进行降维处理后再进行半监督学习，能够在保持较高识别率的前提下，减少样本空间维数，有效提高算法效率。参考文献［１］唐炬，李伟，杨浩，等．高压电缆附件局部放电超高频检测与分析［Ｊ】．高电压技术，２００９，３５（７）：１５７１．１５７７．ＴＡＮＧＪｕ，ＬＩＷｅｉ，ＹＡＮＧＨａｏ，ｅｔａ１．Ｕｌｔｒａ－ｈｉｇｈｆｒｅｑｕｅｎｃｙｄｅｔｅｃｔｉｏｎａｎｄａｎａｌｙｓｉｓｆｏｒｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｉｎｈｉｇｈ－ｖｏｌｔａｇｅｃａｂｌｅａｃｃｅｓｓｏｒｉｅｓ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅ—Ｅｎｇｉｎｅｅｒｉｎｇ，２００９，３５（７）：１５７１１５７７．［２］郭灿新，张丽，钱勇，等．ＸＬＰＥ电力电缆中局部放电检测及定位技术的研究现状［Ｊ］．高压电器，２００９，４５（３）：５６．６０．ＧＵＯＣａｎ－ｘｉｎ，ＺＨＡＮＧＬｉ，ＱＩＡＮＹｏｎｇ，ｅｔａ１．ＣｕｒｒｅｎｔｓｔａｔｕｓｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｄｅｔｅｃｔｉｏｎａｎｄｌｏｃａｔｉｏｎｔｅｃｈｎｉｑｕｅｓｉｎＸＬＰＥｐｏｗｅｒｃａｂｌｅ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＡｐｐａｒａｔｕｓ，２００９，４５（３）：５６－６０．［３］张言苍，张毅刚，徐大可．变压器局部放电在线检测的现状及发展［Ｊ］．继电器，２００４，３２（２２）：７０－７５．—ＺＨＡＮＧＹａｎｔａｎｇ，ＺＨＡＮＧＹｉ－ｇａｎｇ，ＸＵＤａ－ｋｅ．ＰｒｅｓｅｎｔｓｔａｔｕｓａｎｄｄｅｖｅｌｏｐｍｅｎｔｏｆＰＤｏｎｌｉｎｅｍｏｎｉｔｏｒｉｎｇｓｙｓｔｅｍｉｎｐｏｗｅｒｔｒａｎｓｆｏｒｍｅｒ［Ｊ］．Ｒｅｌａｙ，２００４，３２（２２）：７０．７５．［４］苏文辉，鞠平，丁晓群．变压器绕组局部放电故障的定位【Ｊ］．继电器，２００２，３０（８）：４０．４２．——ＳＵＷｅｎｈｕｉ，ＪＵＰｉｎｇ，ＤＩＮＧＸｉａｏｑｕｎ．Ｌｏｃａｔｉｏｎｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｓｆａｕｌｔｉｎｔｒａｎｓｆｏｒｍｅｒｗｉｎｄｉｎｇ［Ｊ］．Ｒｅｌａｙ，２００２，３０（８）：４０．４２．［５］杨荣凯．ＸＬＰＥ电缆线路局部放电量指标的分析『Ｊ１．高电压技术，２００５，３１（２）：２７．２８．ＹＡＮＧＲｏｎｇ－ｋａｉ．ＡｎａｌｙｓｉｓｏｆＰＤｌｅｖｅｌｏｆＸＬＰＥｉｎｓｕｌａｔｉｏｎｃａｂｌｅ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＥｎｇｉｎｅｅｒｉｎｇ，２００５，３１（２）：２７．２８．［６］陈小林，成永红，谢小军，等．ＸＬＰＥ绝缘电老化中局放特性试验研究［Ｊ］．高电压技术，２００６，３２（４）：２２．２４．—ＣＨＥＮＸｉａｏｌｉｎ，ＣＨＥＮＧＹｏｎｇ－ｈｏｎｇ，ＸＩＥＸｉａｏ－ｊｕｎ，ｅｔａ１．ＥｘｐｅｒｉｍｅｎｔａｌｓｔｕｄｙｏｎｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｉｎＸＬＰＥｉｎｓｕｌａｔｉｏｎｄｕｒｉｎｇｅｌｅｃｔｒｉｃａｌａｇｉｎｇ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＡｐｐａｒａｔｕｓ，２００６，３２（４）：２２．２４．［７］赵妍，董爽，李天云．局部放电信号检测的ＨＨＴ．ＭＤＬ自适应阈值算法【Ｊ］．电力系统保护与控制，２０１０，３８（５）：４５－５０．ＺＨＡＯＹａｎ，ＤＯＮＧＳｈｕａｎｇ，ＬＩＴｉａ—ｎｙｕｎ．ＡｎｅｗａｄａｐｔｉｖｅｔｈｒｅｓｈｏｌｄａｌｇｏｒｉｔｈｍｔｏｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｐｒｏｃｅｓｓｉｎｇｂａｓｅｄｏｎＨＨＴ－ＭＤＬｃｒｉｔｅｒｉｏｎ［Ｊ］．ＰｏｗｅｒＳｙｓｔｅｍＰｒｏｔｅｃｔｉｏｎａｎｄＣｏｎｔｒｏｌ，２０１０，３８（５）：４５－５０．［８］ＭａｚｒｏｕａＡＡ，ＢａｒｔｎｉｋａｓＲ，ＳａｌａｍａＭＭＡ．Ｎｅｕｒａｌ．．４６．．电力系统保护与控制ｎｅｔｗｏｒｋｓｙｓｔｅｍｕｓｉｎｇｔｈｅｍｕｌｔｉ－ｌａｙｅｒｐｅｒｃｅｐｔｒｏｎｔｅｃｈｎｉｑｕｅｆｏｒｔｈｅｒｅｃｏｇｎｉｔｉｏｎｏｆＰＤｐｕｌｓｅｓｈａｐｅｓｄｕｅｔｏｃａｖｉｔｉｅｓａｎｄｅｌｅｃｔｒｉｃａｌｔｒｅｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎ—ＰｏｗｅｒＤｅｌｉｖｅｒｙ，１９９５，１０（１）：９２９６．［９］杨孝华，廖瑞金，胡建林，等．基于ＢＰ人工神经网络的ＸＬＰＥ电力电缆局部放电的模式识别【Ｊ１．高压电器，２００３．３９（４）：３５．３７．—ＹＡＮＧＸｉａｏ．ｈｕａ，ＬＩＡＯＲｕｉ－ｊｉｎ，ＨＵＪｉａｎｌｉｎ，ｅｔａ１．Ｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｐａ￣ｅｍ，ｒｅｃｏｇｎｉｔｉｏｎｆｏｒＸＬＰＥｐｏｗｅｒｃａｂｌｅｂａｓｅｄｏｎｂａｃｋ・ｐｒｏｐａｇａｔｉｏｎａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ［Ｊ］．ＨｉｇｈＶｏｌｔａｇｅＡｐｐａｒａｔｕｓ，２００３，３９（４）：３５．３７．［１０］ＰａｒｋＳＨ，ＪｕｎｇＨＥ，ＹｕｎＪＨ，ｅｔａ１．ＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆｄｅｆｅｃｔｓａｎｄｅｖａｌｕａｔｉｏｎｏｆｅｌｅｃｔｒｉｃａｌｔｒｅｅｄｅｇｒａｄａｔｉｏｎｉｎｃａｂｌｅｉｎｓｕｌａｔｉｏｎｕｓｉｎｇｐａＲｅｒｎｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄａｎｄｗｅｉｂｕｌｌｐｒｏｃｅｓｓｏｆｐａｒｔｉａｌＤｉｓｃｈａｒｇｅ［Ｃ］．／／２００８ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｎｄｉｔｉｏｎＭｏｎｉｔｏｒｉｎｇａｎｄ—Ｄｉａｇｎｏｓｉｓ，ＣＭＤ２００８，Ｂｅｉｊｉｎｇ，Ｃｈｉｎａ，２００７：１０１１０４．［１１］Ａｂｄｅ１．ＧａｌｉｌＴＫ，ＳｈａｒｋａｗｙＲＭ，ＳａｌａｍａＭＭＡ，ｅｔａ１．ＰａｒｔｉａｌｄｉｓｃｈａｒｇｅｐｕｌｓｅｐａＲｅｍｒｅｃｏｇｎｉｔｉｏｎｕｓｉｎｇａｎｉｎｄｕｃｔｉｖｅｉｎｆｅｒｅｎｃｅａｌｇｏｒｉｔｈｍ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＤｉｅｌｅｃｔｒｉｃｓａｎｄＥｌｅｃｔｒｉｃａｌＩｎｓｕｌａｔｉｏｎ，２００５，１２（２）：３２０－３２７．［１２］ＳｈａｈｓｈａｈａｎｉＢ，ＬａｎｄｇｒｅｂｅＭＤＡ．Ｅｆｆｅｃｔｏｆｔｍｌａｂｅｌｅｄｄａｔａｉｎｒｅｄｕｃｉｎｇｔｈｅｓｍａｌｌｓａｍｐｌｅｓｉｚｅｐｒｏｂｌｅｍａｎｄｍｉｔｉｇａｔｉｎｇｔｈｅｈｕｇｈｅｓｐｈｅｎｏｍｅｎｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＧｅｏｓｃｉｅｎｃｅａｎｄＲｅｍｏｔｅＳｅｎｓｉｎｇ，１９９４，３２（５）：—１０８７１０９４，［１３］黎铭，周志华．基于多核集成的在线半监督学习方法［Ｊ］．计算机研究与发展，２００８，４５（１２）：２０６０．２０６８．ＬＩＭｉｎｇ，ＺＨ０ＵＺｈｉ－ｈｕａ．Ｏｎｌｉｎｅｓｅｍｉ－ｓｕｐｅｒｖｉｓｅｄ—ｌｅａｒｎｉｎｇｗｉｔｈｍｕｌｔｉｋｅｍｅｌｅｎｓｅｍｂｌｅ［Ｊ］．ＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＲｅｓｅａｒｃｈａｎｄＤｅｖｅｌｏｐｍｅｎｔ，２００８，４５（１２）：２０６０．２０６８．［１４］梁吉业，高嘉伟，常瑜．半监督学习研究进展［Ｊ］．山西大学学报：自然科学版，２００９，３２（４）：５２８．５３４．ＬＩＡＮＧＪｉ．ｖｅ，ＧＡＯＪｉａ．ｗｅｉ，ＣＨＡＮＧＹｕ．Ｔｈｅｒｅｓｅａｒｃｈ—ａｎｄａｄｖａｎｃｅｓｏｎｓｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇ［Ｈ］．ＪｏｕｒｎａｌｏｆＳｈａｎｘｉＵｎｉｖｅｒｓｉｔｙ：ＮａｔｕｒａｌＳｃｉｅｎｃｅＥｄｉｔｉｏｎ，２００９，３２（４）：５２８．５３４．—［１５］ＺｈｕＸ，ＧｈａｈｒａｍａｎｉＪＺ，Ｌａｆｆｅｒｔｙ．ＳｅｍｉｓｕｐｅｒｖｉｓｅｄｌｅａｒｎｉｎｇｕｓｉｎｇｇａｕｓｓｉａｎｆｉｅｌｄｓａｎｄｈａｒｍｏｎｉｃＦｕｎｃｔｉｏｎｓ［Ｃ］．／／Ｔｈｅ２０ｔｈＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＭａｃｈｉｎｅＬｅａｒｎｉｎｇ（ＩＣＭＬ），Ｗａｓｈｉｎｇｔｏｎ，ＤＣ，ＵｎｉｔｅｄＳｔａｔｅｓ，２００３：９ｌ２．９１９．［１６］ＺｈｏｕＤ，ＢｏｕｓｑｕｅｔＯ，ＬａｌＴＮ，ｅｔａ１．Ｌｅａｒｎｉｎｇｗｉｔｈｌｏｃａｌａｎｄｇｌｏｂａｌｃｏｎｓｉｓｔｅｎｃｙ［Ｊ］．ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌ—ＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ，２００４，１６：３２１３２８．［１７］廖瑞金，杨丽君，孙才新，等．基于局部放电主成分因子向量的油纸绝缘老化状态统计分析【Ｊ】．中国电机工程学报，２００６，２６（１４）：ｌ１４．１１９．—ＬＩＡＯＲｕｉ－ｊｉｎ，ＹＡＮＧＬｉ－ｊｕｎ，ＳＵＮＣａｉｘｉｎ，ｅｔａ１．Ａｇｉｎｇ—ｃｏｎｄｉｔｉｏｎａｓｓｅｓｓｍｅｎｔｏｆｏｉｌｐａｐｅｒｂａｓｅｄｏｎｐｒｉｎｃｉｐａｌｃｏｍｐｏｎｅｎｔａｎｄｆａｃｔｏｒａｎａｌｙｓｉｓｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００６，２６（１４）：１１４．１１９．［１８］潘炜，刘文颖，杨以涵．采用受扰轨迹和独立分量分析技术识别同调机群的方法『Ｊ］．中国电机工程学报，２００８，２８（２５）：８６．９２．—ＰＡＮＷｅｉ，ＬＩＵＷｅｎ－ｙｉｎｇ，ＹＡＮＧＹｉｈａｎ．Ｍｅｔｈｏｄｏｆｉｄｅｎｔｉｆｙｉｎｇｃｏｈｅｒｅｎｔｇｅｎｅｒａｔｏｒｇｒｏｕｐｓｂｙｉｎｄｅｐｅｎｄｅｎｔｃｏｍｐｏｎｅｎｔａｎａｌｙｓｉｓｔｈｒｏｕｇｈｐｅｒｔｕｒｂｅｄｔｒａｊｅｃｔｏｒｉｅｓ［Ｊ］．ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＣＳＥＥ，２００８，２８（２５）：８６－９２．［１９］ＥｄｗａｒｄＧｕｌｓｋｉ．Ｃｏｍｐｕｔｅｒ－ａｉｄｅｄｒｅｃｏｇｎｉｔｉｏｎｏｆｐａｒｔｉａｌｄｉｓｃｈａｒｇｅｓｕｓｉｎｇｓｔａｔｉｓｔｉｃａｌｔｏｏｌｓ［Ｄ］．ＤｅｌｆｔＵｎｉｖｅｒｓｉｔｙＰｒｅｓｓ，１９９１．—收稿日期Ｉ２０１０－０７３０；修回Ｅｔ期：２０１ｏ－１卜２３作者简介：姚林朋（１９８１－），男，博士研究生，研究方向为大型电—气设备在线监测和智能诊断。Ｅｍａｉｌ：ｙａｏｌｉｎｐｅｎｇ＠ｓｊｔｕ．ｅｄｕ．ｃａ（上接第３９页ｃｏｎｔｉｎｕｅｄｆｒｏｍｐａｇｅ３９）［１３３ＫａｒｉｓｓｏｎＤ，ＨｉｌｌＤＪ．Ｍｏｄｅｌｌｉｎｇａｎｄｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｎｏｎｌｉｎｅａｒｄｙｎａｍｉｃｌｏａｄｓｉｎｐｏｗｅｒｓｙｓｔｅｍｓ［Ｊ］．ＩＥＥＥ—ＴｒａｎｓａｃｔｉｏｎｓｏｎＰｏｗｅｒＳｙｓｔｅｍｓ，１９９４，９（１）：１５７１６６．『１４３ＰａｌＭＫ．Ａｓｓｅｓｓｍｅｎｔｏｆｃｏｒｒｅｃｔｉｖｅｍｅａｓｕｒｅｓｆｏｒｖｏｌｔａｇｅｓｔａｂｉｌｉｔｙｃｏｎｓｉｄｅｒｉｎｇｌｏａｄｄｙｎａｍｉｃｓ［Ｊ］．ＥｌｅｃｔｒｉｃａｌＰｏｗｅｒ—＆ＥｎｅｒｇｙＳｙｓｔｅｍｓ，１９９５，１７（５）：３２５３３４．［１５］王锡凡，方万良，杜正春．现代电力系统分析【Ｍ］．北京：科学出版社，２００３．［１６］周双喜，朱凌志，郭锡玖，等．电力系统电压稳定性及其控制［Ｍ】．北京：中国电力出版社，２００４—收稿日期：２０１０－０８０９；修回日期：２０１Ｏ－１１一Ｏ２作者简介：林舜江（１９８０．），男，博士，助理研究员，主要研究—方向为电力系统优化、运行与控制；Ｅｍａｉｌ：ｌｉｎｓｈｊ＠ｓｃｕｔ．ｅｄｕ．ｃｎ刘明波（１９６４－），男，教授，博士生导师，主要研究方向为电力系统优化、运行与控制。